CN107655159B - 一种基于人群密度感知模型的空调节能控制方法及系统 - Google Patents

一种基于人群密度感知模型的空调节能控制方法及系统 Download PDF

Info

Publication number
CN107655159B
CN107655159B CN201710979658.5A CN201710979658A CN107655159B CN 107655159 B CN107655159 B CN 107655159B CN 201710979658 A CN201710979658 A CN 201710979658A CN 107655159 B CN107655159 B CN 107655159B
Authority
CN
China
Prior art keywords
people
crowd density
crowd
theta
video stream
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710979658.5A
Other languages
English (en)
Other versions
CN107655159A (zh
Inventor
高钦泉
邓炜
李�根
童同
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Imperial Vision Information Technology Co ltd
Original Assignee
Fujian Imperial Vision Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Imperial Vision Information Technology Co ltd filed Critical Fujian Imperial Vision Information Technology Co ltd
Priority to CN201710979658.5A priority Critical patent/CN107655159B/zh
Publication of CN107655159A publication Critical patent/CN107655159A/zh
Application granted granted Critical
Publication of CN107655159B publication Critical patent/CN107655159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明公开一种基于人群密度感知模型的空调节能控制方法及系统，其包括以下步骤：步骤S1：建立基于深度学习的人群密度感知模型；步骤S2：将各个区域的监控摄像头的视频流数据传输至服务器；步骤S3：服务器对所有视频流数据采用人群密度感知模型进行分析处理得到人数：步骤S4：系统根据所述人数产生对应控制信号；步骤S5：将所述控制信号传输回各个对应区域的空调，实时调整各个区域空调的开关、温度和风力，使得各区域空调可以根据人群分布智能调整，最大化空调效率，并大幅减少能源浪费。本发明根据人群分布智能调整，最大化空调效率，并大幅减少能源浪费。

Description

一种基于人群密度感知模型的空调节能控制方法及系统
技术领域
本发明涉及智能节能控制技术领域，尤其涉及一种基于人群密度感知模型的空调节能控制方法及系统。
背景技术
随着世界人口的快速增长和城镇化的迅速发展，公共活动日益增多，例如：体育赛事、演唱会和游行等。由此导致了公共场所的人流量增加，例如：商场、体育场所、车站等。而这些场所中的各种设备，需要耗费巨大的电能。针对当前世界的资源短缺、能源浪费，有效的节能环保的必要性越来越重要。在公共场所，通过对人群密度进行有效实时的感知，根据人流量控制场所内的设备，可以节省大量的电能，有利于节能减排和绿色城市建设。
当前，大多数空调特别是中央空调都是统一开关、统一调节温度和强度，在公共场所这种机制可能存在以下问题：各个空调或出风口的温度和强度一致，只能通过人力手动调整，因此无法充分发挥空调的效率。当室内人少，出风量大时，能源浪费；当室内人多，出风量不足时，空调没起到相应作用。已经有技术尝试解决这个问题，例如专利CN106765959A公开了一种基于遗传算法和神经网络算法的空调节能控制方法，该方法通过收集空调系统的传感器、执行器和控制器的量化数据进行分析和预测，从而得到空调的最佳运行控制参数，以此实现对空调的智能控制。但是该方法缺乏对外界环境的感知，无法根据室内的情况控制空调。专利CN106196440A公开了一种空调节能控制方法，通过传感器获取温差和距离，以此作为调节参考。该方法可以实现根据设定的目标自动调节温度和风力，但是无法根据场景的人群分布自动调节。专利CN103778442B公开的技术，通过检测视频中的人数来控制中央空调，该技术实现了根据人数分布情况调节空调，节能效果更好，但是该技术的人数统计方法是传统的前景提取方法，计算复杂,速度和精度都不高，而在现实场景中存在人群高密集度、行人重叠、光线变化、场景变化、行人尺度、角度变化等众多复杂环境，现有的方法无法做到快速准确的人群估计来实现空调的智能控制。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于人群密度感知模型的空调节能控制方法及系统，可以实现实时感知室内人群分布，并根据人群密度自动控制空调开关、温度及风力等，以此充分发挥空调效率，减少能源浪费。
本发明采用的技术方案是：
一种基于人群密度感知模型的空调节能控制方法，其包括以下步骤：
步骤S1：建立基于深度学习的人群密度感知模型；
步骤S2：将各个区域的监控摄像头的视频流数据传输至服务器；
步骤S3：服务器对所有视频流数据采用人群密度感知模型进行分析处理得到人数：
步骤S4：系统根据所述人数产生对应控制信号；
步骤S5：将所述控制信号传输回各个对应区域的空调，实时调整各个区域空调的开关、温度和风力，使得各区域空调可以根据人群分布智能调整，最大化空调效率，并大幅减少能源浪费。
进一步地，其中步骤S1中人群密度感知模型的建立包括以下步骤：
S1-1：建立卷积神经网络：网络模型包括卷积层、池化层、Relu激活层、Concat层和Eltwise层。
S1-2：利用样本集对所述卷积神经网络进行训练，得到待学习参数θ的估计，使得通过该卷积神经网络得到的样本集中，任意输入图像x的人群密度图F(x；θ)与该输入图像x的实际人群密度图M(x)间的欧式距离L(θ)最小,然后在每一次优化迭代中更新整个网络的参数θ，直到欧式距离L(θ)收敛到一个较小的值，以获得θ的最优解；
欧式距离L(θ)公式为：
Figure BDA0001439086990000021
其中N为输入的图像数量，xi为第i幅输入图像，M(xi)为输入图像xi的标准人群密度图M(xi)。
进一步地，其中步骤S3中服务器对所有视频流数据采用人群密度感知模型进行分析处理得到人数包括以下步骤：
S3-1：在视频流数据中每一秒取出一帧图像；
S3-2：将图像输入到参数为θ的网络模型，得到对应输入图像的人群密度图F(x；θ)；
S3-3：再通过人群密度图F(x；θ)计算得到输入图像对应的人数。
进一步地，其中步骤S4中控制信号的产生具体方法为：以t秒为一个时间段Ti，把Ti时间段的平均人数作为该时间段的人数；当Ti时间段的人数与Ti+1时间段的人数相差超过阈值ω，则根据Ti+1时间段的人数产生对应控制信号，否则继续处理下一时间段；其中，t、ω和人数与控制信号的映射关系视应用场景而定。
本发明还公开了一种基于人群密度感知模型的空调节能系统，其包括以下模块：
包括以下模块：
视频获取模块：用于获取监控区域的实时视频流数据；
传输模块：用于传输视频流数据；
服务器处理模块：用于接收所述视频流数据，通过基于深度学习的人群密度感知模型算法，实时分析视频流中的人数；
控制模块：根据所述人数产生控制信号，再根据控制信号控制空调的开关、温度和风力。
进一步地，所述视频获取模块为红外摄像头。
进一步地，服务器处理模块包括视频流处理子模块和人数统计子模块，视频流处理子模块用于分别从视各个频流数据中每隔一秒取出一帧图像；人数统计子模块用于利用人群密度感知模型算法统计上述帧图像中的人数。
本发明采用以上技术方案，通过在服务器实时分析各个区域监控摄像头传输过来的视频流，得到实时精确的人数，并以此产生控制信号，实时调整各个区域空调的开关、温度和风力，使得各区域空调可以根据人群分布智能调整，最大化空调效率，并大幅减少能源浪费。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明一种基于人群密度感知模型的空调节能控制方法的流程示意图；
图2为本发明的基于深度学习人群密度感知模型结构图；
图3为本发明一种基于人群密度感知模型的空调节能系统的结构示意图；
图4为本发明基于人群密度感知模型的人数统计方法效果图。
具体实施方式
如图1-4之一所示，本发明一种基于人群密度感知模型的空调节能控制方法，其包括以下步骤：
步骤S1：建立基于深度学习的人群密度感知模型；
步骤S2：将各个区域的监控摄像头的视频流数据传输至服务器；
步骤S3：服务器对所有视频流数据采用人群密度感知模型进行分析处理得到人数：
步骤S4：系统根据所述人数产生对应控制信号；
步骤S5：将所述控制信号传输回各个对应区域的空调，实时调整各个区域空调的开关、温度和风力，使得各区域空调可以根据人群分布智能调整，最大化空调效率，并大幅减少能源浪费。
进一步地，利用本发明采用如图2所示的深度学习人群密度感知模型来统计视频中一帧图像中的人数，深度学习人群密度感知模型的目标是学习一个由输入图像x到该图像的标准人群密度图M(x)的映射函数，F：x→F(x)≈M(x)，F(x)为卷积神经网络估计的人群密度图。其中步骤S1中人群密度感知模型的建立包括以下步骤：
S1-1：建立卷积神经网络：网络模型包括卷积层、池化层、Relu激活层、Concat层和Eltwise层。
S1-2：利用样本集对所述卷积神经网络进行训练，得到待学习参数θ的估计，使得通过该卷积神经网络得到的样本集中，任意输入图像x的人群密度图F(x；θ)与该输入图像x的实际人群密度图M(x)间的欧式距离L(θ)最小,然后在每一次优化迭代中更新整个网络的参数θ，直到欧式距离L(θ)收敛到一个较小的值，以获得θ的最优解；
欧式距离L(θ)公式为：
Figure BDA0001439086990000041
其中N为输入的图像数量，xi为第i幅输入图像，M(xi)为输入图像xi的标准人群密度图M(xi)。
具体地，首先，利用训练样本集制作每个训练样本对应的人群密度图，作为本发明深度学习人群密度感知模型的训练目标(标签)。假设样本图像为x，则对应人群密度图为F(x；θ)，θ为本发明深度学习人群密度感知模型的待学习参数，包括网络的权值w和偏移值b。
利用样本集对所述深度学习人群密度感知模型进行训练，得到待学习参数θ的估计，使得通过该深度学习人群密度感知模型得到的样本集中，任意输入图像x的人群密度图F(x；θ)与该输入图像x的实际人群密度图M(x)间的欧式距离L(θ)最小,
Figure BDA0001439086990000042
式中，N为输入的图像数量，xi为第i幅输入图像。
然后在每一次优化迭代中更新整个网络的参数θ，直到欧式距离L(θ)收敛到一个较小的值，以获得θ的最优解。
优选地，采用Msra算法初始化网络的权值w，偏移值b初始化为0，采用Adam优化算法在每一次优化迭代中更新整个网络的参数θ。
进一步地，其中步骤S3中服务器对所有视频流数据采用人群密度感知模型进行分析处理得到人数包括以下步骤：
S3-1：在视频流数据中每一秒取出一帧图像；
S3-2：将图像输入到参数为θ的网络模型，得到对应输入图像的人群密度图F(x；θ)；
S3-3：再通过人群密度图F(x；θ)计算得到输入图像对应的人数。
进一步地，为了验证本发明的人数统计算法效果，将本发明在两个公开数据集上与其他方法进行了比较，比较的评估标准采用领域内的通用标准,平均绝对误差(MAE)和均方误差(MSE)：
Figure BDA0001439086990000043
其中Y为图像的真实人数,
Figure BDA0001439086990000044
为算法估计人数。比较结果见下表：
Figure BDA0001439086990000045
Figure BDA0001439086990000051
表1人群密度感知算法结果比较
其中M-CNN为专利CN105528589A公开的技术。Cascaded-MTL为论文(Sindagi,Vishwanath A.,and Vishal M.Patel."Cnn-based cascaded multi-task learning ofhigh-level prior and density estimation for crowd counting."arXiv preprintarXiv:1707.09605(2017).)中提出的方法。
进一步地，其中步骤S4中控制信号的产生具体方法为：以t秒为一个时间段Ti，把Ti时间段的平均人数作为该时间段的人数；当Ti时间段的人数与Ti+1时间段的人数相差超过阈值ω，则根据Ti+1时间段的人数产生对应控制信号，否则继续处理下一时间段；其中，t、ω和人数与控制信号的映射关系视应用场景而定。
本发明还公开了一种基于人群密度感知模型的空调节能系统，其包括以下模块：
视频获取模块：用于获取监控区域的实时视频流数据；
传输模块：用于传输视频流数据；
服务器处理模块：用于接收所述视频流数据，通过基于深度学习的人群密度感知模型算法，实时分析视频流中的人数；
控制模块：根据所述人数产生控制信号，再根据控制信号控制空调的开关、温度和风力。
进一步地，所述视频获取模块为红外摄像头，用于获取实时的视频流数据。由于本发明的深度学习人群密度感知模型算法性能优良，因此对红外摄像头的分辨率和帧率要求不高。也可以直接使用现有监控摄像头采集视频数据流。红外摄像头的采用斜射式安装，要求使摄像头的视角覆盖整个空调作用区域。若一个摄像头无法覆盖空调作用区域，可以使用多个摄像头，综合空调作用区域内所有摄像头的人数来产生控制信号。若一个摄像头覆盖多个空调的作用区域，则多个空调使用同一个摄像头产生的控制信号。
进一步地，服务器处理模块包括视频流处理子模块和人数统计子模块，视频流处理子模块用于分别从视各个频流数据中每隔一秒取出一帧图像；人数统计子模块用于利用人群密度感知模型算法统计上述帧图像中的人数。
本发明采用以上技术方案，通过在服务器实时分析各个区域监控摄像头传输过来的视频流，得到实时精确的人数，并以此产生控制信号，实时调整各个区域空调的开关、温度和风力，使得各区域空调可以根据人群分布智能调整，最大化空调效率，并大幅减少能源浪费。

Claims (6)

1.一种基于人群密度感知模型的空调节能控制方法，其特征在于：其包括以下步骤：
步骤S1：建立基于深度学习的人群密度感知模型；步骤S1中人群密度感知模型的建立包括以下步骤：
S1-1：建立卷积神经网络：网络模型包括卷积层、池化层、Relu激活层、Concat层和Eltwise层；Concat层采用多个不同尺度的卷积核并联，并配合多个1x1卷积提取组合不同维度的特征；
S1-2：利用样本集对所述卷积神经网络进行训练，得到待学习参数θ的估计，使得通过该卷积神经网络得到的样本集中，任意输入图像x的人群密度图F(x；θ)与该输入图像x的实际人群密度图M(x)间的欧式距离L(θ)最小,然后在每一次优化迭代中更新整个网络的参数θ，直到欧式距离L(θ)收敛到一个较小的值，以获得θ的最优解；
欧式距离L(θ)公式为：
Figure FDA0002587899570000011
其中N为输入的图像数量，xi为第i幅输入图像，M(xi)为输入图像xi的标准人群密度图M(xi)；
步骤S2：将各个区域的监控摄像头的视频流数据传输至服务器；
步骤S3：服务器对所有视频流数据采用人群密度感知模型进行分析处理得到人数：
步骤S4：系统根据所述人数产生对应控制信号；
步骤S5：将所述控制信号传输回各个对应区域的空调，实时调整各个区域空调的开关、温度和风力，使得各区域空调可以根据人群分布智能调整，最大化空调效率，并大幅减少能源浪费。
2.根据权利要求1所述的一种基于人群密度感知模型的空调节能控制方法，其特征在于：其中步骤S3中服务器对所有视频流数据采用人群密度感知模型进行分析处理得到人数包括以下步骤：
S3-1：在视频流数据中每一秒取出一帧图像；
S3-2：将图像输入到由S1-2得到的参数为θ的网络模型，得到对应输入图像的人群密度图F(x；θ)；
S3-3：再通过人群密度图F(x；θ)计算得到输入图像对应的人数。
3.根据权利要求1所述的一种基于人群密度感知模型的空调节能控制方法，其特征在于：其中步骤S4中控制信号的产生具体方法为：以t秒为一个时间段Ti，把Ti时间段的平均人数作为该时间段的人数；当Ti时间段的人数与Ti+1时间段的人数相差超过阈值ω，则根据Ti+1时间段的人数产生对应控制信号，否则继续处理下一时间段；其中，t、ω和人数与控制信号的映射关系视应用场景而定。
4.一种基于人群密度感知模型的空调节能系统，采用了权利要求1至3任一所述的一种基于人群密度感知模型的空调节能控制方法，其特征在于：系统包括以下模块：
视频获取模块：用于获取监控区域的实时视频流数据；
传输模块：用于传输视频流数据；
服务器处理模块：用于接收所述视频流数据，通过基于深度学习的人群密度感知模型算法，实时分析视频流中的人数；
控制模块：根据所述人数产生控制信号，再根据控制信号控制空调的开关、温度和风力。
5.根据权利要求4所述的一种基于人群密度感知模型的空调节能系统，其特征在于：所述视频获取模块为红外摄像头。
6.根据权利要求4所述的一种基于人群密度感知模型的空调节能系统，其特征在于：所述服务器处理模块包括视频流处理子模块和人数统计子模块，视频流处理子模块用于分别从视各个频流数据中每隔一秒取出一帧图像；人数统计子模块用于利用人群密度感知模型算法统计上述帧图像中的人数。
CN201710979658.5A 2017-10-19 2017-10-19 一种基于人群密度感知模型的空调节能控制方法及系统 Active CN107655159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710979658.5A CN107655159B (zh) 2017-10-19 2017-10-19 一种基于人群密度感知模型的空调节能控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710979658.5A CN107655159B (zh) 2017-10-19 2017-10-19 一种基于人群密度感知模型的空调节能控制方法及系统

Publications (2)

Publication Number Publication Date
CN107655159A CN107655159A (zh) 2018-02-02
CN107655159B true CN107655159B (zh) 2020-09-22

Family

ID=61118763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710979658.5A Active CN107655159B (zh) 2017-10-19 2017-10-19 一种基于人群密度感知模型的空调节能控制方法及系统

Country Status (1)

Country Link
CN (1) CN107655159B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257420A (zh) * 2018-02-11 2018-07-06 江苏金海星导航科技有限公司 基于摄像头的计人计车方法、装置及系统
CN108764072B (zh) * 2018-05-14 2021-04-06 浙江工业大学 一种基于多尺度融合的血细胞亚型图像分类方法
CN109028487A (zh) * 2018-06-30 2018-12-18 杭州享福多智能科技有限公司 一种空调联合控制系统
CN109005390B (zh) * 2018-08-31 2020-12-04 山东建筑大学 基于信号强度与视频的人员分布模型建立方法及系统
CN110936969A (zh) * 2018-09-25 2020-03-31 比亚迪股份有限公司 车载空调设备控制方法、装置及系统
CN110210694A (zh) * 2019-03-07 2019-09-06 腾讯科技（深圳）有限公司 空间管理方法、装置、存储介质和计算机设备
CN110068113A (zh) * 2019-04-25 2019-07-30 南京邮电大学 一种基于深度学习的地铁环境温控系统及方法
CN111025925A (zh) * 2019-12-05 2020-04-17 重庆特斯联智慧科技股份有限公司 一种基于云计算的智能家居配备系统
CN111125938B (zh) * 2020-01-15 2021-07-16 华南理工大学 基于次优算法的大型中央空调冷冻水管网优化设计方法
CN111795795B (zh) * 2020-06-01 2021-06-15 丽水市天顺导轨制造有限公司 应用信号分析的电子辅助选择系统及方法
CN112963943B (zh) * 2021-02-07 2021-10-15 重庆惠统智慧科技有限公司 一种能效管理方法及基于物联网的能耗管理系统
CN112923538A (zh) * 2021-02-22 2021-06-08 天津大学 基于人流密度调节的大空间新风系统的精准送风方法
CN115235047B (zh) * 2022-07-26 2023-12-22 中用科技(南通)有限公司 一种基于热力图的设备智能联动控制方法
CN117889536A (zh) * 2024-03-15 2024-04-16 陕西蓝海智能科技有限公司 空调控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006268582A (ja) * 2005-03-24 2006-10-05 Fuji Xerox Co Ltd ジェスチャによる情報機器の制御方法および制御システム
CN103778442A (zh) * 2014-02-26 2014-05-07 哈尔滨工业大学深圳研究生院 一种基于视频人数统计分析的中央空调控制方法
CN105096406A (zh) * 2014-04-30 2015-11-25 开利公司 用于建筑能耗设备的视频分析系统和智能楼宇管理系统
CN106326937A (zh) * 2016-08-31 2017-01-11 郑州金惠计算机系统工程有限公司 基于卷积神经网络的人群密度分布估计方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006268582A (ja) * 2005-03-24 2006-10-05 Fuji Xerox Co Ltd ジェスチャによる情報機器の制御方法および制御システム
CN103778442A (zh) * 2014-02-26 2014-05-07 哈尔滨工业大学深圳研究生院 一种基于视频人数统计分析的中央空调控制方法
CN105096406A (zh) * 2014-04-30 2015-11-25 开利公司 用于建筑能耗设备的视频分析系统和智能楼宇管理系统
CN106326937A (zh) * 2016-08-31 2017-01-11 郑州金惠计算机系统工程有限公司 基于卷积神经网络的人群密度分布估计方法

Also Published As

Publication number Publication date
CN107655159A (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
CN107655159B (zh) 一种基于人群密度感知模型的空调节能控制方法及系统
CN111882810B (zh) 一种火灾识别与预警方法及其系统
WO2017193153A1 (en) Solar power forecasting
CN109883005B (zh) 航站楼末端空调设备智能控制系统、方法、介质和设备
CN112728727A (zh) 一种基于边缘计算的室内环境舒适度的智能调节系统
WO2019063079A1 (en) SYSTEM, DEVICE AND METHOD FOR OPTIMIZING ENERGY AND COMFORT IN AN IMMOTIC ENVIRONMENT
CN102572285A (zh) Ccd摄像机的日夜模式转换方法
CN106940790B (zh) 一种人流拥塞预测方法及系统
CN102444958A (zh) 基于视频人流统计的新风系统及其节能控制方法
Arora et al. Real time traffic light control system using morphological edge detection and fuzzy logic
CN106295902A (zh) 建筑冷热负荷预测系统、方法及建筑内部空气调节系统
CN110173862A (zh) 基于俯视视角人体信息的空调控制方法、装置及空调系统
CN114923265B (zh) 一种基于物联网的中央空调节能控制系统
CN104253979A (zh) 一种自我感知型的智能摄像机
CN113606749A (zh) 一种基于人员像素密度的分区按需通风控制方法
CN115220351A (zh) 一种基于云边端的建筑空调系统智能节能优化控制方法
CN115307297A (zh) 多形式中央空调节能控制系统
EP3788539A1 (en) Predicting sun light irradiation intensity with neural network operations
CN114135991B (zh) 一种用于地铁站公共区的温度预置控制和设备预警方法
CN107806692B (zh) 一种基于无线信道状态信息的智能空调及其控制方法
CN114071842A (zh) 一种基于目标检测和跟踪的智能舞台照明系统
CN113485187A (zh) 一种室内能耗浪费监测系统及其监测方法
CN112985505A (zh) 移动与固定感知结合的室内环境时空分布场生成方法
CN115915545B (zh) 一种基于照明数据的智慧路灯质量控制方法及系统
CN114422713B (zh) 一种图像采集及智能判读处理装置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant